一种基于群体行为特征的无人机蜂群反制方法

1.本发明涉及无人机防御技术领域，具体涉及一种基于群体行为特征的无人机蜂群反制方法。


背景技术：

2.无人机蜂群具备自组织性、强鲁棒性、规模弹性和低成本性等优势，是未来军队适应复杂战场环境、提升作战能力的重要博弈手段；无人机蜂群的普遍应用为各层次对抗提供了更大的战略空间以及战术选择，推动无人机作战传统样式转变，却也对重要军事设施以及作战任务的遂行造成严重威胁；现有的无人机蜂群反制方法多以针对单架无人机的思路实现对整体的反制，无法有效应对无人机蜂群带来的威胁；
3.而且由于无人机蜂群的自主化、体系化、智能化特点，现有反制方法很难有效应对蜂拥而至的无人机蜂群，如何利用无人机蜂群群体智能涌现机理从原理层面实现内部突破是反制无人机蜂群的关键；此外，对无人机蜂群的反制要在保证反制成功率的基础上，遵守相关法律要求和道德，控制毁伤范围，考虑技术成本及可推广性；
4.因此，如何利用蜂群行为特征，应用于对无人机蜂群的反制上，实现以点带面的反制效果成了无人机蜂群反制领域的一个难题。


技术实现要素：

5.针对上述存在的问题，本发明旨在提供一种基于群体行为特征的无人机蜂群反制方法，本方法通过用群体行为特征分析无人机蜂群队形和运动轨迹，识别蜂群可反制关键节点，针对关键无人机生成导航欺骗信号，错误信号将由分布式交互网络传播至整个蜂群，迫使无人机蜂群偏离原有航迹，实现对无人机蜂群的反制，弥补了反制无人机蜂群能力不足的问题，有利于解决无人机蜂群的全向突防对重要经济设施的威胁，有效实现了对无人机蜂群的反制。
6.为了实现上述目的，本发明所采用的技术方案如下：
7.一种基于群体行为特征的无人机蜂群反制方法，包括
8.步骤一：在移动载体上设置探测识别设备、中心控制设备和导航欺骗设备，中心控制设备中存储有无人机蜂群行为特征信息，用于处理探测识别设备采集的信息；
9.步骤二：探测识别设备获取不同地点、不同方位的无人机蜂群信息，并将数据上传到中心控制设备中进行多源信息融合，获取无人机蜂群的方位和各成员的位置及状态信息；
10.步骤三：利用中心控制设备根据无人机蜂群中成员的目标
‑
吸引和避撞
‑
斥力的行为特征，结合采集到的无人机蜂群的方位和各成员的位置及状态信息，确定无人机蜂群关键节点位置，并实现对该节点的跟踪；
11.步骤四：利用导航欺骗设备针对关键无人机发射错误位置信号，将位置误差项引入蜂群中的关键节点中；
12.步骤五：将错误信号模型引入无人机蜂群通信网络，并利用机间分布式交互手段将欺骗信号传播至整个蜂群，利用行为特征实现以点带面的反制。
13.优选的，步骤三所述的无人机蜂群关键节点位置的获取过程包括：
14.s301.根据无人机蜂群聚集状态，构建无人机蜂群状态描述模型；
15.s302.根据无人机蜂群状态描述模型中成员的目标
‑
吸引特征，构建基于节点i的吸引作用模型；
16.其中：节点i表示检测蜂群的邻居较多的节点；
17.s303.根据无人机蜂群状态描述模型中成员的避撞
‑
斥力特征，构建无人机j受到的其它无人机的斥力模型；
18.s304.以吸引作用模型和斥力模型为基础，利用全连接法和高斯核函数来确定无人机蜂群的可对抗节点。
19.优选的，步骤s301所述的无人机蜂群状态描述模型的构建过程包括：
20.无人机蜂群要在聚集时，各无人机对聚集地的位置一致，因此一个由架无人机组成的无人机蜂群可以描述为
[0021][0022]
其中：a∈r
d
×
d
，b∈r
d
×
m
，x
i
(t)∈r表示无人机的状态(协调变量)，r表示实数集，d和m表示a和b矩阵的维度，u
i
(t)表示无人机的控制输入；且在上述式(1)的模型中，对于任意的有限初始状态x
i
(0)，存在控制器u
i
(t)使则无人机蜂群实现一致。
[0023]
优选的，步骤s302所述的基于节点i的吸引作用模型的建立过程包括：
[0024]
对于节点i，构建如下吸引作用模型：
[0025][0026]
式中：i＝1,2,
…
,n，n为蜂群节点数量，ξ
i
(t)表示节点j对节点i的吸引作用，x
j
(t)和分别表示节点j的状态和定位信息，表示无人机的编队向量，n
i
为节点i所有相邻节点构成的集合，w
ij
(t)表示节点j和节点i之间的局部相互作用关系权重。
[0027]
优选的，步骤s303所述的无人机j受到的其它无人机的斥力模型的构建过程包括：
[0028]
(1)根据无人机蜂群状态描述模型中成员之间的避撞
‑
斥力特征，构建无人机j对无人机i产生的斥力场u
i,j
(t)的斥力模型：
[0029][0030]
式中：ρ2为蜂群无人机之间的避撞增益系数，为蜂群无人机之间的避撞增益系数，d
ij
(t)表示无人机i与无人机j之间的距离，表示无人机j的斥力场作用范围，表示无人机j的安全距离；
[0031]
(2)根据式(3)所述的无人机j对无人机i产生的斥力场u
i,j
(t)的斥力模型，可以得到无人机j在种群数量为n的蜂群中受到的其它无人机斥力的合力为：
[0032][0033]
式中：ρ为蜂群成员之间的避撞增益系数，d
ij
(t)表示无人机i与无人机j之间的距离，n
ij
(t)为由无人机j指向无人机i的单位向量。
[0034]
优选的，步骤四所述的将位置误差项引入蜂群中的关键节点中的具体过程包括：
[0035]
在无人机蜂群中，对于可对抗节点a的相邻节点i，构建错误信号作用模型：
[0036][0037]
其中：(1)i＝1,2,
…
,n
‑
m，n为蜂群节点数量，m为可对抗节点数量，δ
i
(t)表示可对抗节点的错误信号对节点i的作用输入，x
j
(t)、δ
j
(t)和h
j
(t)分别表示可对抗节点j的状态、错误定位信息和期望队形，表示可对抗节点j受到反制方法影响后的错误队形，n
i
为节点i所有相邻可对抗节点构成的集合，w
ij
(t)表示节点j和节点i之间的局部相互作用关系权重，和分别为节点i在受到错误信号作用后的错误状态和错误队形；
[0038]
(2)式(5)右端第一项描述队形吸引原则，节点状态可通过局部信息交互协同实现期望队形，同时，错误信号通过该交互过程在蜂群中传播；
[0039]
(3)第二项用于机间避撞，当节点j和节点i的状态之差小于一定阈值后，触发避撞机制，通过的作用使两节点相互排斥。
[0040]
优选的，步骤五所述的将错误信号模型引入无人机蜂群通信网络，并利用机间分布式交互手段将欺骗信号传播至整个蜂群的具体过程包括：
[0041]
s501.从式(5)所述模型可以看出，错误信号对节点i的作用通过队形吸引和避撞排斥实现，在作用过程中，δ
i
(t)对节点i持续施加作用，作用结束后，δ
i
(t)变为零；
[0042]
s502.蜂群所有节点形成错误的队形结构，从而偏离任务目标，实现对蜂群的驱离。
[0043]
本发明的有益效果是：本发明公开了一种基于群体行为特征的无人机蜂群反制方法，与现有技术相比，本发明的改进之处在于：
[0044]
(1)本发明设计了一种基于群体行为特征的无人机蜂群反制方法，本方法通过探测得到的无人机蜂群雷达、红外信息和可见光图像进行多源信息融合，实现了对群体行为特征的提取；导航欺骗信号注入无人机蜂群多邻居节点后，能够通过分布式交互机制从原理层面实现对蜂群的内部突破；
[0045]
(2)同时本发明从无人机蜂群的分布式协同控制、智能通信感知和集群导航系统等技术本质机理出发，应用技术之巧找到反制之道，为反制分布式无人机蜂群提供有效手段，具有重要应用价值。
附图说明
[0046]
图1为本发明基于群体行为特征的无人机蜂群反制方法的反制流程图。
[0047]
图2为本发明无人机蜂群目标
‑
吸引特征示意图。
[0048]
图3为本发明无人机蜂群避撞
‑
斥力特征示意图。
[0049]
图4为本发明无人机蜂群反制方法内在原理图。
[0050]
图5为本发明实施例1反制方法期望效果图。
具体实施方式
[0051]
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
[0052]
参照附图1
‑
5所示的一种基于群体行为特征的无人机蜂群反制方法，包括
[0053]
步骤一：在移动载体上设置探测识别设备、中心控制设备和导航欺骗设备，其中中心控制设备中存储有无人机蜂群行为特征信息(通过前期对群体智能涌现机理的研究成果，构造的无人机蜂群行为特征库)，用于处理探测识别设备采集的信息；
[0054]
步骤二：探测识别设备通过雷达、红外探测仪和可见光相机等多源传感器，获取不同地点、不同方位的无人机蜂群成员信息，并将数据上传到中心控制设备(可用计算机控制)中进行多源信息融合，获取无人机蜂群的方位和各成员的位置及状态信息；
[0055]
步骤三：利用中心控制设备根据无人机蜂群中成员的目标
‑
吸引(图2)和避撞
‑
斥力(图3)的行为特征，结合采集到的无人机蜂群的方位和各成员的位置及状态信息，确定无人机蜂群关键节点位置，并实现对该节点的跟踪，其具体包括
[0056]
s301.根据无人机蜂群聚集状态，构建无人机蜂群状态描述模型：
[0057]
当无人机蜂群要在聚集时，各无人机对聚集地的位置实现一致，在这种情况下，一个由n架无人机组成的无人机蜂群可以描述为：
[0058][0059]
其中：a∈r
d
×
d
，b∈r
d
×
m
，x
i
(t)∈r表示无人机的状态(协调变量)，r表示实数集，d和m表示a和b矩阵的维度，u
i
(t)表示无人机的控制输入；且在上述式(1)的模型中，对于任意的有限初始状态x
i
(0)，存在控制器u
i
(t)使则无人机蜂群实现一致；
[0060]
s302.根据无人机蜂群状态描述模型中成员的目标
‑
吸引特征，构建基于节点i的吸引作用模型：
[0061]
根据无人机蜂群状态描述模型中成员的目标
‑
吸引特征，对于无人机蜂群中的节点i，构建如下吸引作用模型：
[0062][0063]
式中：i＝1,2,
…
,n，n为蜂群节点数量，ξ
i
(t)表示节点j对节点i的吸引作用，x
j
(t)和分别表示节点j(可参照附图2，假设无人机节点j受到欺骗后，根据节点间的作用关系，当前节点会受到影响偏离预期轨迹)的状态和定位信息，无人机在跟踪目标的同时需要
形成特定的队形，因此可设计编队指令表示无人机的编队向量，n
i
为节点i所有相邻节点构成的集合，w
ij
(t)表示节点j和节点i之间的局部相互作用关系权重；
[0064]
其中：节点i表示检测蜂群的邻居较多的节点；
[0065]
s303.根据无人机蜂群状态描述模型中成员的避撞
‑
斥力特征，构建无人机j受到的其它无人机的斥力模型：
[0066]
对于避撞
‑
斥力特征，可描述如下：斥力分量中包含以距离为自变量的人工势场函数量，相邻无人机距离过小时触发斥力场函数，实现机间避撞；正常范围内斥力为零，蜂群队形结构保持不变，无人机对进入其作用范围的邻近无人机存在斥力场作用，用表示无人机j的斥力场作用范围，表示无人机j的安全距离，当其它无人机与无人机j的距离小于时会受到斥力作用，距离小于等于时斥力大小为∞并认为小于时两无人机会碰撞；无人机j对无人机i的斥力场作用会使得无人机i受到由无人机j指向无人机i的斥力；
[0067]
(1)根据无人机蜂群状态描述模型中成员之间的避撞
‑
斥力特征，构建无人机j对无人机i产生的斥力场u
i,j
(t)的斥力模型：
[0068][0069]
式中：ρ2为蜂群无人机之间的避撞增益系数，为蜂群无人机之间的避撞增益系数，d
ij
(t)表示无人机i与无人机j之间的距离，表示无人机j的斥力场作用范围，表示无人机j的安全距离；
[0070]
(2)根据式(3)所述的无人机j对无人机i产生的斥力场u
i,j
(t)的斥力模型，可以得到无人机j在种群数量为n的蜂群中受到的其它无人机斥力的合力为：
[0071][0072]
式中：ρ为蜂群成员之间的避撞增益系数，d
ij
(t)表示无人机i与无人机j之间的距离，n
ij
(t)为由无人机j指向无人机i的单位向量；
[0073]
s304.以吸引作用模型和斥力模型为基础，利用全连接法和高斯核函数来确定无人机蜂群的可对抗节点：
[0074]
(1)为提高可对抗节点的选择覆盖率，研究基于强度约束的多节点聚类方法通过聚类的方式选出最具代表性的节点，首先以无人机为节点集v，无人机间连接关系为边集e，构建蜂群无向图模型g(v,e)，同时采用全连接法，依托高斯核函数构
建相似度矩阵r，用来衡量无人机之间的交互强度，x
i
和x
j
为图的任意两个节点位置，得到度量矩阵w；
[0075]
(2)其次，在构建的加权无向图模型g(v,e,w)中，设定强度阈值t，丢弃交互强度小于阈值t的边，得到强度约束后的图g
′
(v
′
,e
′
,w
′
)；
[0076]
(3)再次，基于度量矩阵w
′
构建拉普拉斯矩阵l
′
，将图g
′
转化为节点的向量表示，得到新样本点y＝{y1,y2,
…
,y
n
}；
[0077]
(4)最后，采用基于密度的聚类算法将样本集y聚类成簇，输出各簇中心节点a＝{a1,a2,
…
,a
k
}，即得到无人机蜂群的可对抗节点；
[0078]
a1,a2,
…
,a
k
分别代表无人机蜂群中邻居数量角度的节点；
[0079]
步骤四：利用导航欺骗设备针对关键无人机发射错误位置信号，将位置误差项引入蜂群中的关键节点中，其具体包括：
[0080]
在无人机蜂群中，对于可对抗节点a的相邻节点i，构建错误信号作用模型：
[0081][0082]
其中：(1)i＝1,2,
…
,n
‑
m，n为蜂群节点数量，m为可对抗节点数量，δ
i
(t)表示可对抗节点的错误信号对节点i的作用输入，x
j
(t)、δ
j
(t)和h
j
(t)分别表示可对抗节点j的状态、错误定位信息和期望队形，表示可对抗节点j受到反制方法影响后的错误队形，n
i
为节点i所有相邻可对抗节点构成的集合，w
ij
(t)表示节点j和节点i之间的局部相互作用关系权重，和分别为节点i在受到错误信号作用后的错误状态和错误队形；
[0083]
(2)式(5)右端第一项描述队形吸引原则，节点状态可通过局部信息交互协同实现期望队形，同时，错误信号通过该交互过程在蜂群中传播；
[0084]
(3)第二项用于机间避撞，当节点j和节点i的状态之差小于一定阈值后，触发避撞机制，通过的作用使两节点相互排斥；
[0085]
步骤五：将错误信号模型引入无人机蜂群通信网络，并利用机间分布式交互手段将欺骗信号传播至整个蜂群，利用行为特征实现以点带面的反制，其具体过程包括：
[0086]
s501.从式(5)所述模型可以看出，错误信号对节点i的作用通过队形吸引和避撞排斥实现，在作用过程中，δ
i
(t)对节点i持续施加作用，作用结束后，δ
i
(t)变为零；
[0087]
s502.蜂群所有节点形成错误的队形结构，从而偏离任务目标，实现对蜂群的驱离。
[0088]
优选的，在安装时，所述的探测识别设备应放在移动载体的顶部，减少遮挡。
[0089]
优选的，在步骤二中，中心控制设备将雷达、红外信息和可见光图像进行多源信息融合；
[0090]
优选的，步骤二中，利用多源传感器信息探测出蜂群的方位和各成员的位置及状态信息。
[0091]
优选的，中心控制设备利用存储的群体行为特征信息分析蜂群队形和运动轨迹，检测蜂群的邻居较多的节点，即为关键节点。
[0092]
优选的，探测识别设备能够实现对关键节点的跟踪，导航欺骗设备针对关键无人机生成错误信息，并将导航欺骗信号错误模型引入蜂群通信网络。
[0093]
优选的，所述的导航欺骗设备包含“目指”分系统，实时星历接受分系统，控制分系统，导航欺骗信号生成分系统和信号发射分系统组成。
[0094]
实施例1：对于完全有序的自主编队结构，所有节点共同参与队形决策，根据向期望队形靠近的吸引原则和机间避撞的排斥原则形成任务队形；
[0095]
在该队形结构中，邻居较多的节点在分布式交互中较普通节点信息流量更大，且更易触发机间避撞机制，因而对整个蜂群队形结构的影响更大，拟将其设置为可对抗节点，根据行为特征提取结果，研究针对性对抗策略；通过对蜂群中部分可对抗节点的欺骗，以分布式交互传染瘫痪整个蜂群，达到破坏蜂群队形结构和蜂群整体驱离的对抗效果；从队形吸引的角度看，可对抗节点是多个节点的邻居，当其定位被欺骗并发生错误时，其邻居通过分布式局部交互获取该错误信息，并与自身定位信息和期望队形结构进行对比。可对抗节点的错误定位信息将误导其邻居节点的队形决策，并且多个可对抗节点的错误信息将通过交互传播扩散到整个蜂群，使蜂群偏离期望队形。从机间避撞的角度看，可对抗节点的临近节点通常较多，当其定位发生错误并偏离预期位置时，将以较大概率触发多个临近节点的机间避撞机制，临近节点为避免与可对抗节点碰撞而偏离预期位置，同时根据吸引原则到达错误的队形位置；该现象将在蜂群多个局部区域同时发生，并通过机间交互扩散，使蜂群整体偏离预期任务位置，如图5所示；
[0096]
当无人机蜂群中的关键节点i和j定位信息被欺骗时，错误信息会通过蜂群通信拓扑传递到节点1和n，然后这两个节点结合自身定位信息和期望队形结构重新规划航迹飞向诱骗区域；节点3和4距离关键节点较远，受错误信号影响较晚，但在飞向原有期望目标位置时进入其余节点的斥力场触发避撞机制，从而偏离原有航迹，最后在错误信号的影响和目标
‑
吸引特征作用下飞往诱骗区域；可以看出，受避撞
‑
斥力特征的影响，节点4要比节点n更快规划航迹进入诱骗区域，从而实现将错误信号模型引入无人机蜂群通信网络，并利用机间分布式交互手段将欺骗信号传播至整个蜂群，利用行为特征实现以点带面的反制。
[0097]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。